注意:数据结构的一致性,在高维度数据一般使用rbf核函数,使用网格搜索思想迭代求出gamma和c。
#include "opencv2/core/core.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/ml/ml.hpp"
#include
using namespace std;
using namespace cv;
using namespace cv::ml;
struct ppt
{
float x;
float y;
char label;
};
int main()
{
//训练一个简单的svm模型
// step 1: 标记分类
int labels[14] = { 'A','A','A','A','A','A','A','B','B','B','B','B','B','B' };
//CvMat labelsMat = cvMat(14, 1, CV_32FC1, labels);
Mat labelsMat(14, 1, CV_32SC1);
for (int i = 0; i < labelsMat.rows; i++)
{
labelsMat.at(i, 0) = labels[i];
}
int trainingData[14][2] = { { 110,204 },{ 105,306 },{ 102,410 },{ 99,511 },{ 93,610 },{ 89,713 },{ 89,817 },
{ 173,208 },{ 175,313 },{ 167,415 },{ 163,514 },{ 160,612 },{ 156,716 },{ 152,819 } };
Mat trainingDataMat(14, 2, CV_32FC1);
for (int i = 0; i < trainingDataMat.rows; i++)
{
for (int j = 0; j < trainingDataMat.cols; j++)
{
trainingDataMat.at(i, j) = trainingData[i][j];
}
}
//step 2:设定训练参数
Ptr svm = SVM::create();
svm->setType(SVM::C_SVC);
svm->setKernel(SVM::LINEAR);
//迭代训练过程的中止条件,解决部分受约束二次最优问题。您可以指定的公差和/或最大迭代次数。
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, FLT_EPSILON));
//step 3:训练
Ptr tData = TrainData::create(trainingDataMat, ROW_SAMPLE, labelsMat);
svm->train(tData);
svm->save("svmData.xml");
// step 4: 利用训练好的模型进行预测
ppt a;
a.x = 163;
a.y = 600;
float data[2] = { a.x,a.y };
Mat tmp(1, 2, CV_32FC1);
for (int j = 0; j < tmp.cols; j++)
{
tmp.at(0, j) = data[j];
}
a.label = (char)svm->predict(tmp);
cout << a.label << endl;
}